Equilibrium reconstruction is crucial in nuclear fusion and plasma physics, as it enables the understanding of the distribution of fundamental plasma quantities within a reactor. Given that equilibrium reconstruction is an ill-posed problem, it is essential to constrain the algorithm with multiple diagnostics to achieve accurate results. Among these, the interferometer-polarimeter is one of the most valuable diagnostics for constraining equilibrium reconstruction, as it provides line-integrated information about the internal magnetic fields. However, the polarisation evolution of an electromagnetic wave traversing a magnetised plasma exhibits non-linear behaviour, making it challenging to incorporate polarimeter data into the reconstruction process. This difficulty often leads to the use of a linear approximation, known as the type-I approximation, in the inversion algorithm. Unfortunately, this approximation can significantly limit the accuracy of the reconstructions in many cases. In this work, we present a physics-informed neural network (PINN) algorithm for reconstructing plasma equilibrium using a multi-diagnostic approach that includes magnetics, Thomson scattering, and interferometer-polarimeter data. The PINN algorithm employs three models for reconstruction: the first uses the type-I approximation, the second uses the non-linear polarization equation under the cold-plasma approximation, and the third uses a comprehensive model that accounts for thermal effects, both relativistic and non-relativistic (defined as the hot plasma model). Parametric analyses conducted on synthetic cases demonstrate that the hot plasma model consistently yields the best results, while reconstructions using the type-I or cold plasma approximations are prone to systematic errors in the reconstructed plasma quantities. The PINN model has been tested on ITER-like plasma configurations with noisy measurements, showing that the inclusion of interferometer-polarimeter data significantly improves accuracy, achieving around 99.9%. Future work aims to transfer the algorithm to existing experimental nuclear fusion reactors and to integrate additional diagnostics for further enhancing the reliability and accuracy of the solutions.
平衡再構築は核融合およびプラズマ物理学において極めて重要であり、炉内の基本的なプラズマ物理量の分布を理解することを可能にする。平衡再構築は不良設定問題であるため、正確な結果を得るには複数の計測装置を用いてアルゴリズムを制約することが不可欠である。その中でも、干渉計-偏光計は内部磁場に関する線積分情報を提供するため、平衡再構築を制約する上で最も有用な計測装置の一つである。しかし、磁化プラズマを伝播する電磁波の偏光発展は非線形挙動を示すため、偏光計データを再構築プロセスに組み込むことは困難である。この困難さから、反転アルゴリズムではしばしば線形近似であるタイプI近似が用いられる。残念ながら、この近似は多くの場合に再構築の精度を著しく制限し得る。本研究では、磁気計測、トムソン散乱、および干渉計-偏光計データを含む複数計測アプローチを用いてプラズマ平衡を再構築するための物理情報ニューラルネットワーク（PINN）アルゴリズムを提示する。PINNアルゴリズムは再構築に三つのモデルを用いる。第一はタイプI近似を用いるもの、第二は低温プラズマ近似の下での非線形偏光方程式を用いるもの、第三は相対論的および非相対論的の両方の熱効果を考慮した包括的モデル（高温プラズマモデルと定義される）を用いるものである。合成ケースに対するパラメトリック解析により、高温プラズマモデルが常に最良の結果をもたらす一方、タイプI近似または低温プラズマ近似を用いた再構築は、再構築されたプラズマ物理量に系統誤差を生じやすいことが示される。PINNモデルは、ノイズを含む測定値を伴うITER類似のプラズマ配位で試験されており、干渉計-偏光計データの組み込みが精度を有意に向上させ、約99.9%を達成することを示している。今後の研究は、アルゴリズムを既存の実験用核融合炉に移行し、解の信頼性と精度をさらに高めるために追加の計測装置を統合することを目指している。